Uczenie maszynowe w praktyce przemysłowej - kurs podstawowy
Uczenie maszynowe w praktyce przemysłowej - kurs podstawowy
Kurs dla początkujących - zawierający podstawy metod bazujących na sztucznej inteligencji z aplikacją w monitorowaniu procesów i struktur przemysłowych. Nie wymaga wiedzy wstępnej, choć przydatna z pewnością będzie znajomość kontekstów inżynierskich i rzeczywistości przemysłowej.
Kurs przewidziany jest na 24 godziny (zegarowe) i przeznaczony jest do realizacji w formie czterech sześciogodzinnych dni zajęciowych - np. w cztery kolejne dni, dwa spotkania po dwa dni lub cztery spotkania online. Kurs realizowany być może w formie stacjonarnej lub zdalnej, za pomocą narzędzi do kształcenia na odległość. Szczegółowy plan kursu oraz jego efekty przedstawi
Dzień 1: Wprowadzenie do uczenia maszynowego (6h)
Dzień wprowadzający podstawowe pojęcia i styl nauki. Skupimy się tutaj na budowie właściwych myślowych reprezentacji które pozwolą samodzielnie wyciągać analogie i wnioski w przyszłości. Zrozumiemy podstawowe problemy oraz podstawowe rozwiązania tych problemów. W celu ułatwienia zrozumienia skomplikowanych koncepcji, pracować będziemy na dwuwymiarowych wizualizacjach problemów regresyjnych i klasyfikacyjnych.
Problemy decyzyjne w przemyśle
Skąd bierzemy dane w przemyśle, co na ich podstawie chcemy zrobić? Co z danymi robimy aby doprowadzić je do postaci możliwej do stosowania w automatycznych systemach decyzyjnych?
Wprowadzenie do klasyfikacji i regresji
Czym jest klasyfikacja a czym regresja? Jak patrzymy na te zadania z punktu widzenia zbioru danych a jak z punktu widzenia zadania do wykonania?
Podstawowe algorytmy optymalizacyjne
Jak działa algorytm gradientowy, algorytm 1+1 oraz algorytm grid search? Jak je implementować konfigurować w praktyce?
Uczenie maszynowe jako problem optymalizacyjny
W jaki sposób można zastosować algorytmy optymalizacyjne w rozwiązywaniu podstawowych problemów klasyfikacji i regresji? Jak działa algorytm gradientowy w klasyfikacji danych dwuwymiarowych?
Podstawowe algorytmy klasyfikacyjne i regresyjne
Drzewa decyzyjne; regresja liniowa; Klasyfikator k-najbliższych sąsiadów; Sieci neuronowe (o różnych strukturach); SVM; algorytmy klasteryzacyjne; Las losowy; Klasyfikatory statystyczne; Uczenie głębokie
Porównanie i wybór metod
Ocena rozwiązań ze względu na ich skalowalność w przestrzenie wielowymiarowe, złożoność obliczeniową i konfiguracyjną, zastosowanie w różnych typach problemów, odporność na nietypowe przypadki.
Praktyczne przykłady działania
Implementacje i ilustracja działania wybranych metod na przykładach w języku MathScript lub Python
Dzień 2: Przegląd rozwiązań (6h)
Inteligentnych klasyfikatorów i regresorów jest dość dużo, a początkujący łatwo gubią się w gąszczu nazw i sposobów działania. Ten dzień pozwoli nam na usystematyzowanie wiedzy w tym obszarze oraz wprowadzi sposoby rozróżniania i porównywania różnych rozwiązań ze sobą. Kiedy wybrać klasyfikatory dystansowe? A kiedy zdecydować się na sieć neuronową? W jakim problemie poradzą sobie klasyfikatory głębokie a w jakim należy zastosować klasteryzacje? Czym są metaparametry klasyfikatorów i jak dużo pracy trzeba włożyć w ich skonfigurowanie?
Dzień 3: Praca z rzeczywistymi danymi
Rzeczywiste dane mają bardzo wysoki poziom złożoności. Sam przegląd takiej przestrzeni nastręcza licznych problemów a pełne zrozumienie tego co dzieje się w danych stanowi często wyzwanie nawet dla doświadczonych operatorów. Dzień 3 poświęcony jest praktycznym zagadnieniom związanym z implementowaniem metod uczenia maszynowego. Nauczymy się metod ilustracji i rozumienia danych w przestrzeniach wielowymiarowych, dowiemy się nieco o tym jakie pułapki czyhają na drodze do dobrze skonfigurowanego systemu decyzyjnego, zaprojektujemy sposób przetwarzania rzeczywistych danych oraz nauczymy się narzędzi pomocnych w konfigurowaniu metod decyzyjnych w praktyce.
Przestrzenie wielowymiarowe
Jak zrozumieć przestrzeń wielowymiarową? Które intuicje działają a które zawodzą w większej liczbie wymiarów? Dlaczego musimy rozwiązywać praktyczne problemy z zastosowaniem takich przestrzeni?
Pułapki myślowe i błędy poznawcze
Jak błędy poznawcze przenoszą się na sztuczną inteligencję? Jak tworzyć rozwiązania, które są ogólne i godne zaufania?
Przygotowanie danych
Jak podzielić zbiór danych, aby nie narazić się na przeuczenie czy wyciek danych? Jak zabezpieczyć sobie możliwość wykonania niezależnego testu? Jak wstępnie przetworzyć dane i wybrać taką ich część, by pozostałe algorytmy zadziałały zgodnie z oczekiwaniami?
Konfiguracja metod
Jak skonfigurować wybraną metodę? Ile neuronów czy też jaki rodzaj kernela wybrać? Jak upewnić się, że rozwiązania które projektujemy są ogólne i pozwalają na rozwiązanie problemu w jego pełnej wersji?
Fuzja decyzji i komitety
Jak łączyć dane z różnych źródeł? Jak łączyć decyzje z różnych algorytmów? Jak zwiększyć niezawodność decyzji i odporność na przypadki losowe? Jak budować zespoły sieci neuronowych?
Transfer wiedzy i podejścia populacyjne
Jak przenieść wiedzę zdobytą w jednym problemie na inny problem? Jak rozwiązywać populacje problemów z zastosowaniem jednego podejścia? Jak czerpać wiedzę ogólną ze zróżnicowanych zbiorów danych?
Uczenie głębokie
Czym jest uczenie głębokie i czym się różni od "płytkiego" (klasycznego)? Kiedy algorytmy głębokie się sprawdzą w praktyce a kiedy nie? W jakim kierunku rozwija się obecnie sztuczna inteligencja?
Praca z zachowaniem zgodności z kontekstem zadania
Jak sprawić, by algorytm był "świadomy kontekstu problemu"? Jak umożliwić komunikację z operatorem w języku naturalnym? Jak uwzględnić ograniczenia zewnętrzne i wiedzę ekspercką w trakcie podejmowania decyzji?
Dzień 4: Zaawansowana sztuczna inteligencja (6h)
Metody które do tej pory poznawaliśmy to absolutna podstawa systemów decyzyjnych i automatycznego wnioskowania. Podczas czwartego dnia kursu dowiemy się, jak działają niektóre z najbardziej zaawansowanych rozwiązań oferowanych w ramach przemysłu 4.0. W jakim kierunku rozwija się sztuczna inteligencja? Jakie zadania będziemy w stanie rozwiązywać już niedługo, jaki jest obecny stan wiedzy i co z tego stanu wiedzy można już teraz zaaplikować w rzeczywistości przemysłowej? Dzień 4 nie zapewni może pełnego przeglądu najnowszych metod, ale pozwoli się odnaleźć w dynamicznie zmieniającej się wiedzy o sztucznej inteligencji oraz zrozumieć kierunki i najnowsze trendy wraz z ich potencjalnymi aplikacjami w przemyśle.
Uczenie maszynowe w praktyce przemysłowej
Kurs realizowany online, za pomocą platformy MsTeams. Możliwe jest zorganizowanie kursu w wersji stacjonarnej dla grupy zorganizowanej. Cena kursu w wersji stacjonarnej zależna jest od miejsca prowadzenia kursu. Zachęcamy do kontaktu w celu ustalenia szczegółów.
- Udział we wszystkich dniach szkoleniowych
- Bezpłatne konsultacje indywidualne dla uczestników kursu w liczbie 2h na osobę przez okres do pół roku po zakończeniu kursu
- Autorskie materiały szkoleniowe
- Przykładowe problemy do samodzielnego rozwiązania
WERSJA ONLINE
3000
zł/osobaCena dla grup zorganizowanych jest zależna od wielkości grupy i ustalana indywidualnie.
Kolejna edycja kursu planowana jest na maj 2023. Zapisz się, aby otrzymać powiadomienie o dokładnym terminie.